XiaoMi-AI文件搜索系统
World File Search SystemLarge
癌细胞系中临床相关蛋白的药物反应的大规模表征
扰动生物学是一种建模定量细胞行为并理解详细疾病机制的有力方法。然而，癌细胞系对扰动的大规模蛋白质反应资源不可用，从而导致临界知识差距。在这里，我们使用逆相蛋白阵列在> 12,000个癌细胞系样品中生成了〜170种药物化合物的〜210个临床相关蛋白的扰动表达谱。我们表明，整合扰动的蛋白质反应信号提供了对耐药性的机理见解，增加了药物敏感性的预测能力，并有助于识别有效的药物组合。我们构建了“蛋白质 - 药物”连接性的系统地图，并为社区使用开发了一个用户友好的数据门户。我们的研究提供了丰富的资源来研究癌细胞的行为和治疗反应的依赖性，从而实现了广泛的生物医学应用。
非人类灵长类动物中的大规模大脑范围的神经记录
1。美国纽约州哥伦比亚大学医学中心神经科学系。 2。 Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。美国纽约州哥伦比亚大学医学中心神经科学系。2。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。4。加利福尼亚大学伯克利分子和细胞生物学系5。麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。IMEC，鲁汶，比利时15。卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。加利福尼亚州帕洛阿尔托市斯坦福大学生物工程系22。加利福尼亚州帕洛阿尔托市斯坦福大学医学院神经外科系23。霍华德·休斯医学院，伯克利，加利福尼亚州24。马里兰州巴尔的摩约翰·霍普金斯大学生物医学工程系
与大脑交谈：使用大型语言模型作为代理
Xin Liu 1-5，Ziyue Zhang 1-5，Jingxin Nie 1-5 * 1 1-5 * 1儿童和青少年阅读与发展的哲学和社会科学实验室（南中国师范大学），教育中心，心理应用研究部，南方师范大学；广州，510631，中国。 2南中国大学心理应用研究中心；广州，510631，中国。 3大脑，认知和教育科学的关键实验室（中国师范大学），教育部。 4中国师范大学心理学学院；广州，510631，中国。 5广东的心理健康与认知科学主要实验室，中国师范大学；广州，510631，中国。 *通讯作者电子邮件：niejingxin@gmail.com。 使用自然主义刺激的抽象传统心理实验在手册中面临挑战Xin Liu 1-5，Ziyue Zhang 1-5，Jingxin Nie 1-5 * 1 1-5 * 1儿童和青少年阅读与发展的哲学和社会科学实验室（南中国师范大学），教育中心，心理应用研究部，南方师范大学；广州，510631，中国。2南中国大学心理应用研究中心；广州，510631，中国。3大脑，认知和教育科学的关键实验室（中国师范大学），教育部。 4中国师范大学心理学学院；广州，510631，中国。 5广东的心理健康与认知科学主要实验室，中国师范大学；广州，510631，中国。 *通讯作者电子邮件：niejingxin@gmail.com。 使用自然主义刺激的抽象传统心理实验在手册中面临挑战3大脑，认知和教育科学的关键实验室（中国师范大学），教育部。4中国师范大学心理学学院；广州，510631，中国。 5广东的心理健康与认知科学主要实验室，中国师范大学；广州，510631，中国。 *通讯作者电子邮件：niejingxin@gmail.com。 使用自然主义刺激的抽象传统心理实验在手册中面临挑战4中国师范大学心理学学院；广州，510631，中国。5广东的心理健康与认知科学主要实验室，中国师范大学；广州，510631，中国。*通讯作者电子邮件：niejingxin@gmail.com。使用自然主义刺激的抽象传统心理实验在手册中面临挑战
增强超高分子量块共聚物链迁移率的策略，以访问大时尺寸（> 100 nm）
Cian Cummins，Alberto Alvarez-Fernandez，Ahmed Bentaleb，Georges Hadziioannou，Virginie Pon-Sinet等。Langmuir，2020，36（46），pp.13872-13880。10.1021/acs.langmuir.0c02261。hal-03033202
生成大型建议模型
在信息过载的时代，推荐系统在过滤数据和提供个性化内容中起着关键作用。功能交互和用户行为模式方面的最新进展显着增强了这些系统的回忆和排名过程。随着大语言模型（LLM）的兴起，已经出现了新的机会，以进一步改善推荐系统。本教程探讨了整合LLMS的两种主要方法：LLMS增强建议，这些建议利用了一般LLMS的推理能力，以及生成性的大建议模型，重点是缩放和精致。虽然前者在现有文献中得到了广泛的覆盖，但后者仍然没有被忽视。本教程的目的是通过提供有关大型建议模型的全面概述，包括其最近的进步，挑战和潜在的研究方向，以填补这一差距。关键主题包括数据质量，缩放定律，用户行为挖掘以及培训和推理的效率。通过与本教程互动，参与者将洞悉该领域的最新发展和未来机会，从而有助于学术研究和实际应用。此探索的及时性质
大型B ...
1血液学系，法国雷恩·雷恩斯（Chu de Rennes）； 2法国皮埃尔·贝尼特（Pierre-Benite）里昂苏德医院（Lyon Sud Hospital）的Hospices de Lyon Hospices Civils Demogogy系； 3法国蒙彼利埃的Chu de Montpellier血液学系； 4法国里尔的Chu de Lille血液学系； 5法国南特州丘南特血液学系； 6法国巴黎圣路易斯医院血统肿瘤学系； 7法国南希的Chu Brabois血液学系； 8法国Poitiers Chu de Poitiers血液学系； 9法国巴黎圣安托万医院血液学系； 10血液学系，法国第基，杜迪管； 11法国亚赛恩斯的Chu d'Amiens血液学系； 12 UMR 1030血液学和INSERM系 - 法国巴黎的古斯塔夫·鲁西斯癌症校园校园； 13淋巴恶性肿瘤，法国亨利·蒙多尔医院，法国埃特尔； 14法国巴黎内克里斯医院血液学系； 15血液学系，尼斯，法国尼斯； 16法国格勒诺布尔的丘格诺布尔血液学系； 17法国图卢兹大学癌症 - 癌 - 癌大学研究所的血液学实验室，法国图卢兹； 18 Lysarc，法国皮埃尔·比尼特（Pierre-Benite）Lyon-Sud医院淋巴瘤学术研究组织；和法国巴黎的居里研究所19
无疤痕去除大型抗性岛可导致抗生素的敏感性和增加的鲍曼尼杆菌的自然转化性
摘要在基因组成方面具有巨大的多样性，包括多种推定的抗生素耐药性基因，阿巴岛是鲍曼尼杆菌杆菌多药的潜在贡献者。但是，ABAR对抗生素耐药性和细菌生理学的有效贡献仍然难以捉摸。为了解决这个问题，我们试图准确删除Abar Islands并恢复其插入站点的完整性。为此，我们设计了一种多功能无疤的基因组编辑策略。我们在最近的两个鲍曼尼菌临床菌株中形成了这种遗传修饰：分别携带19.7 kbp和86.2 kbp的Abar1和Abar1岛的菌株AB5075和菌株AYE。然后，在父母菌株及其固定衍生物之间进行抗生素敏感性。通过该岛的开放阅读框（ORF）的预测功能所预期的，抗抗性的抗抗药性在野生型和ABAR11固定的AB5075菌株之间相同。ABAR1具有25个ORF，预测抗生素类别具有抗性，并且AYE ABAR1固定衍生物显示出对多种类别的抗生素的可疑性。此外，ABARS的固化恢复了高水平的自然转化性。的确，大多数阿巴群岛都被插入与自然转化有关的通讯基因中。我们的数据表明，Abar插入有效地失活，并且还原的通信是功能性的。固化始终导致高度转换，因此很容易遗传诱因。ABAR的修改提供了对Abar获取功能的洞察力的见解。
大语言扩散模型
自回旋模型（武器）被广泛地成为大型语言模型（LLMS）的基石。我们通过介绍LLADA挑战了这一概念，这是一种扩散模型，该模型在训练和监督的细调（SFT）范式下从头开始训练。llada通过向前数据掩盖过程和反向过程进行分散模型，该过程由香草变压器参数列出以预测掩盖的令牌。通过操作可能性结合的可能性，它为概率引发提供了一种限制的生成方法。在广泛的基准测试中，Llada表现出强大的可伸缩性，表现优于我们的自我建造的手臂基线。明显地，LLADA 8B具有强大的LLM，例如LLAMA3 8B在秘密学习中，并且在SFT之后，在诸如多转变型号之类的案例研究中表现出令人印象深刻的跟随能力。此外，Llada解决了诅咒，在逆转诗的完成任务中超过了GPT-4O。我们的发现将扩散模型建立为武器的可行且有前途的替代方案，挑战了上面讨论的关键LLM功能固有地与武器相关的假设。项目页面和代码：https：//ml-gsai.github.io/llada-demo/。
开放式：培训具有大规模合成角色的可自定义角色扮演的LLM
在大型语言模型（LLMS）中（也称为charcter概括）中可自定义的角色扮演，人们对其在开发和部署角色扮演的对话代理方面的多功能性和成本效率引起了人们的关注。本研究探讨了一种大规模数据合成方法，以配备LLM具有特征生成能力。我们首先使用角色中心的角色综合大规模角色概况，然后探索两种策略：响应重写和响应生成，以创建与角色一致的教学响应。为了验证我们的合成教学调谐数据的有效性以进行角色泛化，我们使用Llama-3 8B模型执行监督的微调（SFT）。我们表现最好的模型增强了原始的Llama-3 8b指导模型，并实现了与角色扮演对话的GPT-4O模型相当的性能。我们发布了1个合成字符和指导对话，以支持公共研究。
